基于YOLOv5s的重力變化異常特征識(shí)別研究

常魯冀 郝洪濤,3 胡敏章,3

1 防災(zāi)科技學(xué)院信息工程學(xué)院,河北省三河市學(xué)院街465號(hào),065201

2 中國(guó)地震局地震大地測(cè)量重點(diǎn)實(shí)驗(yàn)室,武漢市洪山側(cè)路40號(hào),430071

3 湖北省地震局,武漢市洪山側(cè)路48號(hào),430071

地震是造成人員傷亡和經(jīng)濟(jì)損失最為嚴(yán)重的自然災(zāi)害之一。自19世紀(jì)70年代后期現(xiàn)代地震學(xué)創(chuàng)立以來(lái)的140余年里,地震孕育與發(fā)生的規(guī)律和機(jī)理一直是地震學(xué)研究的重要方向[1]。

地表重力變化包含有豐富的構(gòu)造運(yùn)動(dòng)信息,是研究地震孕育與發(fā)生過(guò)程的重要數(shù)據(jù)和手段[2-4]。近年來(lái),我國(guó)研究人員利用基于地震重力觀測(cè)獲取的地表重力變化結(jié)果,在2008年汶川8.0級(jí)地震[5]、2013年蘆山7.0級(jí)地震[6]、2016年門源6.4級(jí)地震[7]等強(qiáng)震地點(diǎn)判定工作中取得良好效果,顯示出重力場(chǎng)變化信息在認(rèn)識(shí)地震孕育和發(fā)生規(guī)律中具有的獨(dú)特作用。一些學(xué)者對(duì)地震前后重力變化特征進(jìn)行總結(jié),進(jìn)一步獲得一些典型的地震前重力變化異常現(xiàn)象指標(biāo),如四象限分布特征中心附近往往對(duì)強(qiáng)震發(fā)生地點(diǎn)的判定具有指示意義[8]。

然而,前述研究對(duì)于重力變化異常特征區(qū)的識(shí)別主要采用人工判讀方式,一方面耗時(shí)費(fèi)力,另一方面也存在對(duì)研究人員的經(jīng)驗(yàn)依賴問(wèn)題。在分析不同研究區(qū)域、不同時(shí)間尺度和不同空間尺度的大量重力變化圖像時(shí),往往難以對(duì)重力異常特征區(qū)進(jìn)行全面統(tǒng)計(jì)分析。近年來(lái)快速發(fā)展的基于機(jī)器學(xué)習(xí)的圖像識(shí)別方法為重力變化異常特征區(qū)的快速自動(dòng)化識(shí)別提供了可能。

2010年,Mikolov等[9]提出初代圖像識(shí)別算法R-CNN。此后,基于深度學(xué)習(xí)的目標(biāo)檢測(cè)方法不斷涌現(xiàn),如Faster R-CNN、Mask R-CNN、YOLO(you only look once)等。其中,YOLO算法在檢測(cè)速度上較R-CNN等算法具有明顯優(yōu)勢(shì),經(jīng)過(guò)多次迭代升級(jí),其算法結(jié)構(gòu)逐漸完善成熟,已成為當(dāng)前目標(biāo)檢測(cè)研究應(yīng)用的熱點(diǎn)之一。在YOLO各版本算法中,YOLOv5在算法性能和檢測(cè)速度上具有較好的均衡性,具有更廣泛的應(yīng)用。Liu等[10]對(duì)YOLOv5各分支訓(xùn)練的平均精度與速度的對(duì)應(yīng)關(guān)系的統(tǒng)計(jì)結(jié)果表明,YOLOv5s在高精度的情況下識(shí)別速度最快。

本文擬采用YOLOv5s算法,以近年來(lái)我國(guó)南北地震帶地區(qū)不同時(shí)空尺度的重力變化圖像為例,研究重力變化四象限異常特征區(qū)自動(dòng)化識(shí)別方法。本文結(jié)果可為強(qiáng)震前重力變化異常快速識(shí)別提供技術(shù)支撐,并為重力場(chǎng)變化異常特征與地震孕育發(fā)生的機(jī)理研究提供參考。

1 模型構(gòu)建

1.1 YOLOv5模型

YOLOv5是目前應(yīng)用較為廣泛的單階段目標(biāo)檢測(cè)模型。該模型不僅在YOLOv4的基礎(chǔ)上延續(xù)使用Mosaic數(shù)據(jù)增強(qiáng)功能,同時(shí)升級(jí)自適應(yīng)錨框匹配、標(biāo)簽縮放以及圖像自適應(yīng)等數(shù)據(jù)增強(qiáng)功能,可有效提高對(duì)小圖像的識(shí)別精度,代碼結(jié)構(gòu)也更加簡(jiǎn)潔,運(yùn)行速度顯著提高。

YOLOv5由Input(輸入端)、Backbone(骨干網(wǎng)絡(luò))、Neck(頸部結(jié)構(gòu))、Head(頭部結(jié)構(gòu))4個(gè)部分組成,網(wǎng)絡(luò)架構(gòu)如圖1所示。

圖1 YOLOv5結(jié)構(gòu)示意圖Fig.1 YOLOv5 structure diagram

算法從Input開始,選取640像素×640像素作為輸入,隨后傳輸至Backbone提取圖像信息,再將初始輸入圖像轉(zhuǎn)化為多層特征圖,用于后續(xù)目標(biāo)檢測(cè)。Backbone部分主要由Focus模塊、CBL模塊、CSP1_X模塊組成,其中Focus模塊將多個(gè)經(jīng)Slice層切割后的結(jié)果綜合起來(lái),交由CBL模塊處理。CBL模塊由卷積層、BN層和激活函數(shù)Leaky Relu三個(gè)部分組成,主要功能為提取局部空間信息,同時(shí)Leaky Relu函數(shù)可以避免神經(jīng)元死亡,從而進(jìn)一步提高模型的性能。CSP1_X模塊是在CBL模塊上增加Res單元層、CONV層以及Concate層升級(jí)而來(lái),其結(jié)構(gòu)圖如圖2所示。

圖2 CSP1_X模塊結(jié)構(gòu)示意圖Fig.2 CSP1 _X module structure diagram

Neck網(wǎng)絡(luò)處于Backbone與Head之間。YOLOv5中添加FPN+PAN結(jié)構(gòu),將Concat操作后的CBL模塊更換為CSP2_1模塊,利用該模塊進(jìn)一步提取Backbone部分的特征,借此提高特征的多樣性,同時(shí)增強(qiáng)模型的魯棒性,加強(qiáng)模型的抗噪能力。Head輸出端獲取網(wǎng)絡(luò)的輸出,完成目標(biāo)檢測(cè)結(jié)果的處理,利用已經(jīng)提取的特征作出預(yù)測(cè)。

YOLOv5模型的分支子模型眾多,按模型復(fù)雜度可依次排列為YOLOv5n、YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x等,由于復(fù)雜度不同,每個(gè)模型具有不同的優(yōu)缺點(diǎn),模型復(fù)雜程度越高,則訓(xùn)練精度越高,訓(xùn)練時(shí)間也越長(zhǎng);相反,模型復(fù)雜度越低,則訓(xùn)練精度越低,訓(xùn)練時(shí)間也越短。YOLOv5各函數(shù)分支訓(xùn)練的平均精度與速度的對(duì)應(yīng)關(guān)系表明,YOLOv5s在高精度的情況下識(shí)別速度最快。因此,本文選擇YOLOv5s模型,在保證對(duì)四象限區(qū)域識(shí)別準(zhǔn)確性的前提下,相同時(shí)間內(nèi)可識(shí)別更多區(qū)域。

1.2 模型評(píng)價(jià)指標(biāo)

模型預(yù)測(cè)結(jié)果的類別可分為正例(positive,P)與負(fù)例(negative,N)兩種,正例與負(fù)例的布爾類型分為真(true,T)與假(false,F),故預(yù)測(cè)結(jié)果共有4種,4種結(jié)果的混淆矩陣如表1所示。

表1 預(yù)測(cè)結(jié)果的混淆矩陣

模型的優(yōu)劣可用精度(precision)、召回率(recall)、平均精度(average precision,AP)3個(gè)指標(biāo)進(jìn)行衡量。精度(precision)是衡量模型預(yù)測(cè)準(zhǔn)確率的重要標(biāo)準(zhǔn),表示預(yù)測(cè)的正例(TP)在包含正例與反例(FP)所有預(yù)測(cè)結(jié)果總數(shù)中的占比,精度越高,模型預(yù)測(cè)越準(zhǔn)確。其計(jì)算公式如下:

(1)

召回率(recall)是預(yù)測(cè)成功的正例與總正例的比值,總正例包含預(yù)測(cè)成功的正例與未預(yù)測(cè)成功的正例(FN)。召回率越高,漏判的情況越少,因此應(yīng)盡量降低召回率,以提高模型的準(zhǔn)確性。召回率計(jì)算公式如下:

(2)

平均精度是precision-recall曲線所圍成的面積值,在全類別內(nèi)進(jìn)行平均可得到全類平均精度(mAP)。由于在本次實(shí)驗(yàn)中只有四象限特征區(qū)一種識(shí)別內(nèi)容,故平均精度與全類平均精度相等,其計(jì)算公式如下:

(3)

式中,N為類別數(shù)量。

2 數(shù)據(jù)集處理與模型訓(xùn)練

2.1 重力變化圖像

南北地震帶是我國(guó)地震重力監(jiān)測(cè)的重點(diǎn)地區(qū)之一。該地區(qū)自2014年起形成常態(tài)化的整體觀測(cè)(測(cè)點(diǎn)分布如圖3所示,圖中藍(lán)色五角星為絕對(duì)重力測(cè)點(diǎn),紅色圓點(diǎn)為相對(duì)重力測(cè)點(diǎn),淺藍(lán)色線為活動(dòng)塊體邊界線),至2022年總計(jì)獲得18期觀測(cè)成果。根據(jù)國(guó)家地震科學(xué)數(shù)據(jù)共享中心提供的地震目錄,2014～2022年期間南北地震帶重力測(cè)區(qū)內(nèi)共發(fā)生7.0級(jí)以上地震2次、6.0～6.9級(jí)地震13次、5.0～5.9級(jí)地震62次。豐富的觀測(cè)數(shù)據(jù)和頻繁發(fā)生的中強(qiáng)地震使南北地震帶地區(qū)成為研究重力場(chǎng)變化與地震發(fā)生關(guān)系的理想?yún)^(qū)域。本文將中國(guó)地震局重力技術(shù)管理組提供的南北地震帶地區(qū)重力變化圖像作為圖像識(shí)別訓(xùn)練的數(shù)據(jù)集。經(jīng)統(tǒng)計(jì),2014～2022年時(shí)段內(nèi)共有153幅不同時(shí)間尺度的重力變化圖像。

圖3 南北地震帶地區(qū)重力測(cè)點(diǎn)分布Fig.3 Distribution of gravity measurement points in the north-south seismic zone

2.2 數(shù)據(jù)集預(yù)處理

重力變化圖像處理時(shí)首先要通過(guò)人工判別的方式對(duì)四象限特征區(qū)域進(jìn)行標(biāo)注。由于四象限區(qū)域的面積具有大小不唯一的特點(diǎn),故而選取標(biāo)簽區(qū)域的大小會(huì)影響識(shí)別結(jié)果,標(biāo)簽區(qū)域過(guò)小,會(huì)導(dǎo)致異常區(qū)域的特征不明顯;標(biāo)簽區(qū)域過(guò)大,則會(huì)導(dǎo)致背景區(qū)域中摻雜的重力變化區(qū)域的特征影響實(shí)際異常區(qū)域的特征,從而影響識(shí)別精度。本文利用改變圖片大小、固定標(biāo)簽大小的方式,以保證不同范圍內(nèi)的四象限區(qū)域標(biāo)簽大小一致,并通過(guò)縮放,減少標(biāo)簽中最終劃定區(qū)域所受邊界位置模糊的影響,以保留更多特征。此外,由于重力變化區(qū)域的特征較少,為降低識(shí)別區(qū)域周圍的重力變化對(duì)最終訓(xùn)練結(jié)果產(chǎn)生的負(fù)面影響,在劃定標(biāo)簽區(qū)域時(shí),應(yīng)盡可能涵蓋完整的異常區(qū)域,同時(shí)提高異常區(qū)域占標(biāo)簽總面積的比例。

重力變化圖像中的四象限區(qū)域分為以正變化區(qū)域?yàn)橹鞯倪B通類型與以負(fù)變化區(qū)域?yàn)橹鞯倪B通類型,兩種標(biāo)簽類型同屬重力異常四象限區(qū)域,異常區(qū)域的色度結(jié)構(gòu)相反。本文將兩種區(qū)域標(biāo)記為相同標(biāo)簽,預(yù)測(cè)結(jié)果中同樣標(biāo)為同種類別,圖4為兩種不同相連方式的四象限區(qū)域的標(biāo)簽示例。使用LabelImg對(duì)153幅圖像進(jìn)行四象限區(qū)域標(biāo)注,共獲得237個(gè)四象限區(qū)域標(biāo)簽。

圖4 不同類型的標(biāo)簽示例Fig.4 Examples of different types of labels

為滿足機(jī)器學(xué)習(xí)中模型訓(xùn)練對(duì)訓(xùn)練集數(shù)量的要求,利用翻轉(zhuǎn)、鏡像、色度調(diào)整、亮度調(diào)整、隨機(jī)添加噪聲等數(shù)據(jù)增強(qiáng)方式對(duì)標(biāo)注好的數(shù)據(jù)集進(jìn)行進(jìn)一步擴(kuò)增,最終獲得2 065幅圖像、3 199個(gè)四象限標(biāo)簽區(qū)域。將數(shù)據(jù)集制作為VOC格式,按照9∶1的比例分為訓(xùn)練集與測(cè)試集,其中訓(xùn)練集為1 858幅圖像,測(cè)試集為207幅圖像。圖5為經(jīng)處理后的訓(xùn)練集示例。

圖5 訓(xùn)練集示例Fig.5 Example of training set

2.3 模型訓(xùn)練

Pytorch深度學(xué)習(xí)框架具有簡(jiǎn)潔高效、性能優(yōu)良等優(yōu)點(diǎn),本文使用該框架進(jìn)行模型搭建,模型環(huán)境及參數(shù)如表2所示。經(jīng)過(guò)計(jì)算,使用該參數(shù)總步長(zhǎng)可達(dá)50 000以上,對(duì)模型訓(xùn)練具有良好的效果。

表2 實(shí)驗(yàn)環(huán)境

總體訓(xùn)練前,進(jìn)行預(yù)訓(xùn)練能有效提升訓(xùn)練效率,節(jié)省計(jì)算資源。本文使用少量樣本進(jìn)行預(yù)訓(xùn)練,將所得參數(shù)作為初始訓(xùn)練參數(shù)加入到大樣本的訓(xùn)練中。對(duì)比結(jié)果如圖6所示,圖中Loss值代表收斂效果。結(jié)果表明,經(jīng)過(guò)預(yù)訓(xùn)練,模型獲得更快的收斂速度,在相同迭代次數(shù)內(nèi)收斂程度更好。

圖6 預(yù)訓(xùn)練與非預(yù)訓(xùn)練收斂效果對(duì)比Fig.6 Comparison of convergence effect between pre-training and non-pre-training

3 四象限特征識(shí)別效果分析

利用訓(xùn)練后模型對(duì)207幅測(cè)試集圖像進(jìn)行識(shí)別測(cè)試,結(jié)果如表3所示。模型總體精度為94.09%,YOLOv5s在實(shí)際圖像識(shí)別應(yīng)用中,對(duì)于小目標(biāo)的識(shí)別精度普遍優(yōu)于90%,本模型精度處于合理范圍,結(jié)果具有參考價(jià)值。模型召回率為89.74%,說(shuō)明能夠有效識(shí)別約90%的重力變化四象限特征區(qū)域,具有較好的預(yù)測(cè)結(jié)果。模型平均精度達(dá)到95.25%,表明模型與所識(shí)別圖像擬合程度達(dá)到較好水平,目標(biāo)區(qū)域的識(shí)別定位準(zhǔn)確且覆蓋范圍合理。

表3 測(cè)試結(jié)果統(tǒng)計(jì)

對(duì)測(cè)試集中不同相連類型的重力異常區(qū)域進(jìn)行統(tǒng)計(jì),正變化連通為主的區(qū)域共116個(gè),精度為92.92%;負(fù)變化連通為主的區(qū)域共93個(gè),精度為95.54%。將兩種連通類型的不同區(qū)域標(biāo)為同種標(biāo)簽時(shí),二者識(shí)別精度接近,對(duì)總體精度影響較小,顯示模型在不同類型區(qū)域的識(shí)別效果較為穩(wěn)定。因此,選擇此類標(biāo)簽方式可以在不影響最終結(jié)果的情況下減少前期標(biāo)注工作量,尤其在大量數(shù)據(jù)需要進(jìn)行標(biāo)識(shí)的情況下具有較為明顯的優(yōu)勢(shì)。

圖7為測(cè)試集中2021-09～2022-05約0.5 a時(shí)間尺度的重力變化圖像識(shí)別結(jié)果,圖中紅色方框?yàn)槟Ｐ妥R(shí)別區(qū)(S為四象限區(qū)域標(biāo)簽名稱,0.95為置信度),下部黑色五角星為瀘定6.8級(jí)地震震中,上部黑色五角星為蘆山6.1級(jí)地震震中。識(shí)別區(qū)域預(yù)測(cè)框較為完整地包含了龍門山斷裂南段至安寧河斷裂地區(qū)重力變化四象限區(qū)域。2022-06-01四川蘆山地區(qū)發(fā)生6.1級(jí)地震,同年09-05瀘定地區(qū)發(fā)生6.8級(jí)地震,兩次地震的震中都位于模型識(shí)別圈定的四象限特征區(qū)范圍內(nèi)。這一方面進(jìn)一步表明四象限特征對(duì)于地震地點(diǎn)判定具有重要的參考意義,另一方面也表明本文基于機(jī)器學(xué)習(xí)的四象限特征區(qū)識(shí)別方法對(duì)于重力異常區(qū)域的篩選以及潛在的地震風(fēng)險(xiǎn)研判具有較好的應(yīng)用潛力。

圖7 識(shí)別結(jié)果示例Fig.7 Example of recognition results

為進(jìn)一步驗(yàn)證訓(xùn)練模型的識(shí)別效果,另選取部分現(xiàn)有文獻(xiàn)中發(fā)布的具有四象限特征的重力變化圖像進(jìn)行測(cè)試。首先,對(duì)文獻(xiàn)中發(fā)表的基于位錯(cuò)理論計(jì)算的2003年大姚MS6.2、MS6.1兩次地震同震變化結(jié)果[11]進(jìn)行識(shí)別測(cè)試。由圖8可知,重力變化圖像表現(xiàn)出較為標(biāo)準(zhǔn)的四象限分布特征,而識(shí)別區(qū)域則準(zhǔn)確覆蓋了四象限中心區(qū)域。其次,對(duì)文獻(xiàn)中發(fā)表的基于實(shí)測(cè)數(shù)據(jù)計(jì)算的2016-12呼圖壁6.2級(jí)地震前1 a時(shí)間尺度重力變化結(jié)果[12]進(jìn)行識(shí)別測(cè)試,但結(jié)果顯示(圖9)模型未能識(shí)別出紅色虛線框內(nèi)基于人工判讀劃定的四象限特征區(qū)。對(duì)圖9進(jìn)行分析發(fā)現(xiàn),文獻(xiàn)中標(biāo)注的四象限特征相比標(biāo)準(zhǔn)四象限特征存在明顯的畸變,這也表明,由于四象限特征區(qū)的人工判讀仍具備較大的不確定性,異常特征區(qū)識(shí)別仍需要更多的樣本進(jìn)行訓(xùn)練,以進(jìn)一步提高模型對(duì)于非標(biāo)準(zhǔn)四象限特征區(qū)的識(shí)別效果。

圖8 標(biāo)準(zhǔn)四象限識(shí)別結(jié)果示例 (重力變化圖引自文獻(xiàn)[11])Fig.8 Example of standard four-quadrant recognition results (the gravity change map is cited from the literature[11])

圖9 2016年呼圖壁MS6.2地震震前重力變化圖像 (重力變化圖引自文獻(xiàn)[12])Fig.9 Image of gravity change before Hutubi MS6.2 earthquake in 2016(the figure of gravity change is cited from literature[12])

4 結(jié) 語(yǔ)

針對(duì)基于人工判讀方式對(duì)重力變化異常特征區(qū)進(jìn)行識(shí)別存在效率低下的問(wèn)題,本文提出利用YOLOv5s算法進(jìn)行重力變化四象限特征區(qū)識(shí)別的方法,并基于南北地震帶地區(qū)實(shí)測(cè)重力變化圖像進(jìn)行訓(xùn)練和測(cè)試,主要得出以下認(rèn)識(shí):

1)對(duì)基于YOLOv5s進(jìn)行重力變化異常識(shí)別所涉及的訓(xùn)練集建立和訓(xùn)練方法進(jìn)行探索測(cè)試,結(jié)果表明,采用圖像增強(qiáng)、對(duì)圖像進(jìn)行尺寸調(diào)整并同時(shí)保持標(biāo)簽大小不變等策略,可利用有限數(shù)量的重力變化圖像構(gòu)建訓(xùn)練效果較為理想的數(shù)據(jù)集。采用在總體訓(xùn)練前先進(jìn)行預(yù)訓(xùn)練的策略,可使模型獲得更快的收斂速度,在相同迭代次數(shù)內(nèi)收斂程度更好。此外,將正變化為主和負(fù)變化為主的兩種區(qū)域連通類型的四象限特征區(qū)域標(biāo)注為同種標(biāo)簽,對(duì)圖像識(shí)別結(jié)果無(wú)影響,但可顯著減少圖像特征區(qū)標(biāo)注的工作量。

2)測(cè)試集圖像識(shí)別統(tǒng)計(jì)結(jié)果表明,模型預(yù)測(cè)結(jié)果的精度、召回率、平均精度等指標(biāo)均處于合理范圍。南北地震帶2021-09～2022-05時(shí)段的重力變化圖像識(shí)別結(jié)果表明,模型較為準(zhǔn)確地識(shí)別出龍門山斷裂南段至安寧河斷裂地區(qū)重力變化四象限特征區(qū)域,且識(shí)別區(qū)域內(nèi)先后發(fā)生2022-06蘆山6.1級(jí)地震和2022-09瀘定6.8級(jí)地震。這也表明,本文方法對(duì)于重力異常區(qū)域的篩選以及潛在的地震風(fēng)險(xiǎn)研判具有較好的應(yīng)用潛力。

3)對(duì)現(xiàn)有文獻(xiàn)中標(biāo)注有四象限特征區(qū)的重力變化圖像的識(shí)別測(cè)試結(jié)果表明,本文模型對(duì)標(biāo)準(zhǔn)四象限特征區(qū)具有較好的識(shí)別能力,但對(duì)于非標(biāo)準(zhǔn)四象限特征區(qū)的識(shí)別仍存在一定不足。由于四象限特征區(qū)的判定目前缺少較為嚴(yán)格的標(biāo)準(zhǔn),因此想要獲取更為合理的四象限相關(guān)特征,更為全面和準(zhǔn)確地識(shí)別四象限異常特征區(qū),仍需要構(gòu)建數(shù)量更多、標(biāo)注更為合理的數(shù)據(jù)集。